本文介绍了一种名为 Leas 的有效方法，用于追踪在 YouTube 上的虚假社交交互活动，利用图谱扩展的过程和基于用户和 YouTube 视频之间的行为模式的时间图谱分析来解决问题。我们的方法在 Google 部署时表现良好，其手动审核的准确性可达 98％，比现有算法快 10 倍。

Dec, 2015

利用 YouTube 视频元数据进行情感分析，以分析各个政党代表的公众意见。该研究旨在构建一个基于 Apache Kafka、Apache PySpark 和 Hadoop 处理大数据，TensorFlow 处理深度学习，以及 FastAPI 部署在服务器上的情感分析系统。使用 LSTM 算法构建情感分析模型，得出积极和消极情感。情感分析结果以一个简单的基于 Web 的仪表板呈现。

Sep, 2023

由于一次导致互联网使用增长 70% 的大流行病，全球范围内使用社交媒体的人数大幅增加。本研究通过使用词嵌入来分析评论中的组成部分和文档，调查了不同社交媒体平台上的情感和语义关系，论述了共享意见在这些不同媒体平台之间的重要性，为研究人员、政治家和商业代表提供跟踪全球用户共享情绪的路径。本研究呈现了多种测量从这些热门在线平台上提取的文本相关性的方法，通过利用捕捉语义关系的词嵌入来分析网络上的情感，我们可以揭示公众舆论作为一个整体的联系。该研究利用了来自 YouTube、Reddit、Twitter 等的现有数据集，并利用了像双向编码器表征来自变形器（BERT）等热门自然语言处理模型来分析情感和探索评论嵌入之间的关系。此外，我们还将利用聚类和 Kl 散度来发现不同社交媒体平台上这些评论嵌入之间的语义关系。我们的分析将使人们更加深入地了解在线评论之间的相互关联，并探讨互联网作为一个庞大的相互连接的大脑的概念。

Sep, 2023

社交媒体上恶劣行为的复苏对刻板观念、对个人和社会群体的仇恨言论以及虚假或扭曲的新闻产生了不良影响。引入基于图卷积数据的方法来更好地捕捉异构数据之间的依赖关系，为未来调节社交媒体平台上的交流提供了希望。我们提出并评估了一种基于图的方法来检测恶劣行为，具有普遍适用性，既不受语言也不受上下文限制。在本研究中，我们在几个 PAN 数据集上进行了实验验证，这些数据集是作为共享任务的一部分提供的，可以讨论所提出解决方案的结果。

Dec, 2023

本文探讨了预测 YouTube 视频在校园网络中的流行度的方法，提出了一种融合视频到达时间和社交扩散模型的缓存方法，通过学习网络中用户之间分享的概率和使用数学流行病学的病毒传播模型来预测未来视频访问次数，并取得了 14% 的命中率提高。

Aug, 2013

本文提出了一种从社交媒体用户活动的短时段中学习映射的方法，以产生用户固有特征相似度的向量空间，其中距离捕捉到相应用户的相似性，并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。

Oct, 2019

网络滥用是当前重大的社会问题。本文提出了一种新的基于图卷积网络和用户语言行为的自动化滥用语言检测方法，较之现有技术在对在线社群的结构和语言特征建模方面获得了显著提升。

Apr, 2019

使用分类器与仿真 YouTube 观看下一个视频算法的方法开发了一个方法，用于确定视频是否伪造，以验证 YouTube 的推荐算法是否将阴谋论排除在最恶劣的范畴之外。我们还获得了 YouTube 关于阴谋论主题的趋势和所谓的筛选气泡效果。

Mar, 2020

本研究设计了一个可以为未知单词组合嵌入的模型，与现有的自然语言处理技术相比，本方法可以更好地检测社交媒体上的滥用言论，数据集包含 Twitter 和 Wikipedia talk page。

Sep, 2018

本文探讨了如何通过添加用户嵌入、用户类型嵌入、用户偏差或用户类型偏差来改进一种最先进的基于循环神经网络的评论审核方法，并在希腊新闻体育门户网站的约 160 万条用户评论数据集上实验，观察到在所有情况下都有改善，其中用户嵌入具有最大的性能提升。

Aug, 2017